Olá! Meu nome é Mário Kojima e atualmente (2019) estou cursando o curdo de Inteligência Artificial e Machine Learning na FIAP.
Esse portifólio foi desenvolvido para como parte da avaliação e aprendizado adquirido durante as aulas da diciplina Programando IA com R ministrada pelo professor ELTHON MANHAS DE FREITAS
Você pode entrar em contato comigo através do email mariokojima@gmail.com
Saiba mais em https://mariokojima.github.io/
Informações do data set
summary(mtcars)
## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000
Dimensão
dim(mtcars)
## [1] 32 11
Cabeçalho
head(mtcars)
## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
Aplicando filtro no dataset
mtcars[mtcars$"mpg">=15,]
## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
Sys.time()
## [1] "2019-09-10 15:43:56 -03"
Sys.Date()
## [1] "2019-09-10"
Sys.timezone()
## [1] "America/Sao_Paulo"
Briando de descobrir a data de uma black friday
library(lubridate)
##
## Attaching package: 'lubridate'
## The following object is masked from 'package:base':
##
## date
nov1 = ymd("20191101")
nov1
## [1] "2019-11-01"
wday(nov1)
## [1] 6
if (wday(nov1) %% 5 == 0) {
day2 = 0
}else{
day2 = 7 - wday(nov1) %% 5
}
day2
## [1] 6
blackfriday = nov1 + day2 + (7*3) +1
print( paste('A black friday esse ano será em ', blackfriday) )
## [1] "A black friday esse ano será em 2019-11-29"
Multiplica um
a <- c(334483,1980,0612,01234567890,112333,2019)
b <- a * 2
No decorrer do curso, foi possível aprender que a exploração de dados fica muito mais fácil de ser interpretada, através de gráficos.
Bem legal para demonstrar a conexão entre elementos
Uma forma visual de verificar quais são as variaveis que possuem forte coorelação
Após identificar quais são as variáveis com forte correlação podemos “plotar” essas variáveis em um gráfico, calcular a regreção linear e estipular uma linha de tendéncia ou faixa de corte.
Gráfico extremamente interessante que mostra como os dados categóricos de distribuem através dos elementos O gráfico abaixo é um exemplo clássico que mostra a relação entre sobreviventes/não sobrevicentes através das categorias “classe”, “sexo”, “idade”
Uma forma visual de ver como multimplas variáveis estâo distribuídas na amostra, é a utilização de gráficos interativos em 3D (lib rgl)
Gráficos animados podem mostrar a evolução das variáveis através do tempo. No exemplo abaixo mostramos o PIP para os continentes através dos anos.
É possível utilizar grádicosdiferentes dos tradicionais Pizza, Barra e colunas. Esse exemplo, utilizamos um grágico que é um misto de pizza e colunas
E pra finalizar: é possível apresentar também gráficos no formato de mapa, onde é possível visualizar as informações pertinentes a cada continente, pais ou estado. No exemplo a seguir, é possível visualizar as exportações de produtos agrícolas nos Estados Unidos, sepados por estado
O R é uma linguagem extremamente robusta para calculos estatísticos, exploração de dados, machine learning e mais.
Obrigado!